| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 本文的研究背景及其意义 | 第10-11页 |
| 1.2 基因聚类分析的相关研究现状及其发展方向 | 第11-15页 |
| 1.3 本文的主要研究工作 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 生物信息学与基因表达数据聚类分析 | 第18-29页 |
| 2.1 生物信息学简介 | 第18-20页 |
| 2.1.1 生物信息学的内涵 | 第18页 |
| 2.1.2 生物信息学的研究内容 | 第18-19页 |
| 2.1.3 生物信息数据库 | 第19页 |
| 2.1.4 生物信息学的研究意义 | 第19-20页 |
| 2.2 基因表达数据聚类分析 | 第20-22页 |
| 2.2.1 基因表达数据表示 | 第20页 |
| 2.2.2 聚类分析概述 | 第20-21页 |
| 2.2.3 相似性度量准则 | 第21页 |
| 2.2.4 基因聚类结果评价 | 第21-22页 |
| 2.3 基因表达数据集 | 第22页 |
| 2.4 基因表达数据聚类算法 | 第22-27页 |
| 2.4.1 K-Means算法 | 第22-23页 |
| 2.4.2 粒子群聚类算法 | 第23-25页 |
| 2.4.3 粒子对算法 | 第25-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 元胞自动机、萤火虫算法原理和CUDA技术 | 第29-36页 |
| 3.1 元胞自动机 | 第29-30页 |
| 3.1.1 元胞自动机的组成 | 第29页 |
| 3.1.2 元胞空间的几何划分 | 第29-30页 |
| 3.1.3 元胞自动机与聚类算法 | 第30页 |
| 3.2 萤火虫算法 | 第30-32页 |
| 3.2.1 萤火虫算法的生物学原理 | 第30页 |
| 3.2.2 萤火虫算法的数学描述 | 第30-31页 |
| 3.2.3 萤火虫算法的应用 | 第31-32页 |
| 3.3 CUDA技术简介 | 第32-34页 |
| 3.3.1 CUDA并行编程模型 | 第32页 |
| 3.3.2 主机和设备 | 第32-33页 |
| 3.3.3 CUDA的线程组织以及存储器模型 | 第33页 |
| 3.3.4 CUDA程序优化 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 新的混合算法PPO(CA)-FA | 第36-47页 |
| 4.1 可行性分析 | 第36-37页 |
| 4.1.1 粒子对算法存在的问题 | 第36页 |
| 4.1.2 改进的粒子对混合算法PPO(CA)-FA | 第36-37页 |
| 4.2 混合算法PPO(CA)-FA流程 | 第37-40页 |
| 4.3 实验结果与比较分析 | 第40-46页 |
| 4.3.1 实验数据以及参数设置 | 第40-41页 |
| 4.3.2 实验结果分析 | 第41-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 混合算法的并行化实现及其优化 | 第47-56页 |
| 5.1 混合算法并行化分析 | 第47-49页 |
| 5.2 混合算法并行优化分析 | 第49-51页 |
| 5.3 实验结果与优化比较分析 | 第51-53页 |
| 5.4 与其它并行加速算法的实验比较 | 第53-54页 |
| 5.5 本章小结 | 第54-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 本文总结 | 第56页 |
| 6.2 研究展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士期间的科研情况 | 第63-64页 |
| 致谢 | 第64-65页 |